Abstract:
RESUMO: A ovinocultura de corte é um setor que se encontra em constante expansão. Este setor
também está ganhando espaço no agronegócio brasileiro e na região Nordeste.
Entretanto, a produtividade é baixa. Portanto, este setor exige alternativas tecnológicas
dentro do melhoramento genético dos rebanhos, como fenotipagem de precisão, através
das coletas de informações fenotípicas com precisão para permitir melhorar o
rendimento de carcaça dos animais, a fim de atender às demandas e a avaliação de
carcaça com resultados mais precisos, a qual tem sido realizada a partir da análise de
imagens ultrassonográficas por profissionais especializados. Sendo assim, o objetivo
com pesquisa foi o desenvolvimento de uma abordagem com o uso de inteligência
artificial para avaliação de carcaça ovina de forma acurada por meio do reconhecimento
de imagens ultrassonográficas do músculo Longissimus dorsi. A metodologia proposta
para este trabalho foi dividida em 4 etapas. Na etapa de coleta de dados, 121 imagens
ultrassonográficas de fêmeas ovinas foram coletadas com auxílio de aparelho de
ultrassom, Durante a segmentação das regiões de interesse, utilizou-se apenas um
método de segmentação automatizado com base em algoritmo de redes neurais (U-Net).
Para a avaliação de segmentações automáticas, utilizou-se as métricas de coeficiente de
dados Dice e a métrica de intersecção sobre união (IoU). Na extração de recursos,
objetivou-se encontrar características importantes para a previsão de AOL (Área de
Olho de Lombo). Na última etapa, foi realizada uma análise de regressão, sendo a
variável independente os valores dos atributos obtidos com os descritores utilizados e a
variável dependente a AOL previsto para a imagem de ultrassom do animal, aonde
utilizou-se as métricas de quadrado médio do resíduo (QMR) e erro médio absoluto
(EMA). Dois algoritmos de regressão foram utilizados, AdaBoost Regressor(ABR)e
Random Forest Regressor (RFR). Realizou-se uma análise de variância e o teste “t” de
student para comparar as médias de AOL observada e predita. Os valores obtidos pela
métrica Dice foi de 0,94 e a da IoU foi de 0,89 o que demonstra alta similaridade entre o
real e o previsto. Os valores de QMR, EMA e R² para o ABR é de, respectivamente,
2,61, 1,22 e 0,51 e para o RFR é de 2,15, 1,12 e 0,61, o que demonstra uma correlação
positiva entre os valores preditos e os valores reais. Observou que não houve diferenças
significativas entre as médias de AOL observada e predita. Portanto, a medição
automatizada da AOL a partir de imagens ultrassonográficas é promissora e
possibilitará maior eficiência na realização desta medida em grandes quantidades de
imagens com alta precisão, pois dispensa a intervenção humana na delimitação da área
do músculo Longissimus dorsi em ovinos de corte de carcaça.
ABSTRACT: Beef sheep is an expanding sector. This sector is also gaining space in Brazilian
agribusiness and in the Northeast region. However, productivity is low. Therefore, this
sector requires technological alternatives within the genetic improvement of herds, such
as precision phenotyping, through the collection of phenotypic information needed to
improve the carcass yield of the animals, to meet the demands and the carcass
evaluation with more accurate results. , one that has been carried out from the analysis
of ultrasound images by specialized professionals. Therefore, the objective with
research was the development of an approach with the use of artificial intelligence to
evaluate sheep carcass accurately through the recognition of ultrasound images of the
Longissimus dorsi muscle. The methodology proposed for this work was divided into 4
stages. In the data collection stage, 121 ultrasound images of sheep from collections
were collected with the aid of an ultrasound device. During the selection of the regions
of interest, using only an automated supply method based on a neural network algorithm
(U-Net) For the evaluation of automatic segmentations, the Dice data coefficient metrics
and the intersection over union (IoU) metrics were used. In the extraction of resources,
the objective was to find important characteristics for a forecast of REA (Rib Eye Area).
In the last step, a regression analysis was performed, with the independent variable
being the values of the resources provided with the descriptors used and the REA-dependent variable predicted for the animal's ultrasound image, where it was used as
mean square error (MSE) and mean absolute error (MAE). Two regression algorithms
were used, AdaBoost Regressor (ABR) and Random Forest Regressor (RFR). An
analysis of variance and the student's “t” test were performed to compare how REA
averages were compared and predicted. The values obtained by the metric Dice was
0.94 and that of the IoU was 0.89, which demonstrates a high similarity between the
real and the predicted. The values of MSE, MAE and R² for ABR are 2.61, 1.22 and
0.51, respectively, and for RFR it is 2.15, 1.12 and 0.61, which demonstrates a
correlation between predicted and actual values. He observed that there were no
significant differences between the observed and predicted REA averages. Therefore, an
automated measurement of REA from ultrasound images is promising and will enable
greater efficiency in carrying out this measurement in large quantities of images with
high precision, since it does not require human intervention in the delimitation of the
Longissimus dorsi muscle area in carcass sheep.